面向在线营销的显式特征交互感知增益网络
机器学习
2023-06-02 v1 信息检索
摘要
作为在线营销的关键组成部分，增益建模（uplift modeling）旨在准确捕捉不同干预（如优惠券或折扣）对不同程度激励不同用户的幅度，也称为个体处理效应（ITE）的估计。在实际业务场景中，干预选项可能数量众多且复杂，不同干预之间可能存在相关性。此外，每个营销实例还可能具有丰富的用户与上下文特征。然而，现有方法在充分挖掘干预信息以及挖掘对特定干预敏感的特征两方面仍存在不足。本文提出一种显式特征交互感知增益网络（EFIN）以解决这两个问题。我们的 EFIN 包含四个定制模块：1）特征编码模块不仅对用户和上下文特征进行编码，还对干预特征进行编码；2）自交互模块旨在利用除干预特征外的所有特征准确建模用户的自然响应；3）干预感知交互模块通过干预特征与其他特征之间的交互准确建模特定干预激励用户的程度，即 ITE；4）干预约束模块用于平衡对照组与处理组间用户的 ITE 分布，使模型在非随机干预营销场景下收集的数据上仍能获得准确的增益排序。我们在两个公开数据集和一个产品数据集上进行了大量实验以验证 EFIN 的有效性。此外，我们的 EFIN 已部署于某大型在线金融平台的信用卡账单支付场景，并取得了显著提升。
引用
@article{arxiv.2306.00315,
title = {Explicit Feature Interaction-aware Uplift Network for Online Marketing},
author = {Dugang Liu and Xing Tang and Han Gao and Fuyuan Lyu and Xiuqiang He},
journal= {arXiv preprint arXiv:2306.00315},
year = {2023}
}
备注
Accepted by SIGKDD 2023 Applied Data Science Track